本研究提出了一种无监督训练技术，通过Fourier谱幅值提取特征，结合空间域信息，构建多模态检测器，以提高对高保真生成图像中假冒内容的检测准确性。同时，开发了综合数据库以评估检测方法。

该研究提出自一致偏好优化（ScPO）方法，旨在解决自对齐技术在复杂推理任务中的奖励分配问题。ScPO通过无监督训练提升一致答案的质量，显著改善传统奖励模型的表现。

本文提出了一种无需训练的解决方案，用于控制现有视频扩散模型的摄像机运动。该方法不需要有监督微调或自监督训练，只需一个图像或文本提示作为输入即可生成可控摄像机的视频。实验证明了该方法在控制生成视频的摄像机运动方面的鲁棒性。

该研究提出了一种基于有限元的物理信息算子学习框架，用于预测时空动态。该框架通过瞬态导热传导问题进行测试，并成功预测任意初始温度场的时间演化。该框架具有无监督训练、纯代数方程和处理任意几何形状的优势。

本文介绍了深度聚类中相互信息作为无监督训练神经网络的客观标准的最大化并不能得到令人满意的聚类结果，并将核心距离更改为常见的挑战导致的原因。通过引入广义相互信息 (GEMINI) 来推广相互信息，它是一组用于无监督神经网络训练的指标。GEMINI 可以自动选择相关的聚类数目，这是在深度判别聚类上很少研究的一个特性。

该研究提出了一种无需文本注释的遥感图像训练方法，利用互联网图像作为中介，通过训练图像编码器对齐，实现了大规模遥感图像视觉语言模型的无监督训练。该模型在零样本分类、图像检索、分割和视觉问答任务中表现优于有监督训练的模型，分类任务提升了20%，分割任务提升了80%。

本文介绍了深度聚类中相互信息作为无监督训练神经网络的客观标准的最大化并不能得到令人满意的聚类结果，并将核心距离更改为常见的挑战导致的原因。通过引入广义相互信息 (GEMINI) 来推广相互信息，它是一组用于无监督神经网络训练的指标。最后，强调 GEMINI 可以自动选择相关的聚类数目，这是在深度判别聚类上很少研究的一个特性，因为聚类数目是先验未知的。

该文介绍了一种基于学习的方法，用于编码和操作3D表面网格，创建可解释的可变形形状集合的嵌入空间。该方法是无监督训练的，可以处理各种各样的网格。核心是一种谱池化技术，建立了一个通用的潜空间，摆脱了传统限制。整个过程包括两个阶段，实验证明该方法实现了优秀的重建和插值。

该文介绍了一种新的自编码器类型架构，可以无监督地进行训练，支持生成和推断，并通过对抗学习增强条件和无条件样本的质量。

该文介绍了一种新的深度估计方法 Monitored Distillation，能够从单张图片、稀疏点云和内置集成模型中获取稠密的深度信息。在 VOID 室内场景数据集上，该方法比盲集成基线算法效果提高了 17.53%，比无监督方法效果提高了 24.25%，并且比最好的有监督方法保持可比性。

该论文提出了一种名为RINCE的新的信息噪声对比损失，可以利用相似性排名的信息来学习相应的嵌入空间，并且相比标准InfoNCE，可以自适应探索相似性信息。该损失函数也可以应用于无监督训练，针对视频的无监督学习，可展现出更优的分类精度、检索率和越界检测表现。

本文介绍了深度聚类中相互信息作为无监督训练神经网络的客观标准的最大化并不能得到令人满意的聚类结果，并将核心距离更改为常见的挑战导致的原因。通过引入广义相互信息 (GEMINI) 来推广相互信息，它是一组用于无监督神经网络训练的指标。与相互信息不同，一些 GEMINI 在训练时不需要正则化，因为它们在数据空间中具有几何意识的距离或核函数。最后，强调 GEMINI 可以自动选择相关的聚类数目，这是在深度判别聚类上很少研究的一个特性，因为聚类数目是先验未知的。

该文本介绍了DeepSpeed-Chat模型中的PPO训练过程，包括经验数据处理、KL散度惩罚奖励和优势值计算、策略损失和价值损失计算以及模型参数更新。同时介绍了无监督训练的过程。超参数设置对训练效果有重要影响，需要进行多次尝试和调整。